CN112800880A - 一种预估危险废物重量的方法 - Google Patents
一种预估危险废物重量的方法 Download PDFInfo
- Publication number
- CN112800880A CN112800880A CN202110053403.2A CN202110053403A CN112800880A CN 112800880 A CN112800880 A CN 112800880A CN 202110053403 A CN202110053403 A CN 202110053403A CN 112800880 A CN112800880 A CN 112800880A
- Authority
- CN
- China
- Prior art keywords
- hazardous waste
- waste
- layer
- dangerous
- polygon
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明涉及一种预估危险废物重量的方法,包括下列步骤:识别危险废物种类,得到危险废物的密度;获取危险废物的位置坐标数据;危险废物表面积计算:根据所得到的危险废物表面点的三维坐标数据,在水平面内将危险废物表面近似成一个不规则的多边形;再以等间隔d将其划分成若干个网格,并且使得多边形的顶点都能落在网格的格点上,使其成为格点多边形,然后在格点多边形内,分别计算出格点多边形的内部格点数m和边界上的格点数n;再利用皮克定理计算出该格点多边形的面积,得到危险废物近似的表面积S;危险废物平均高度计算;预估危险废物重量。
Description
技术领域
本发明基于机器视觉系统,涉及数字图像处理技术,尤其是针对危废仓库内危险废物重量的一种非接触、远距离快速预估方法。
背景技术
随着我国经济社会的快速发展,我国的环境问题呈现出日益复杂多变的特征,其中一个重要方面就是固体废物,尤其是危险废物,对水、大气、土壤等的环境质量影响日渐突出。危险废物防控管理作为环境保护工作的重要组成部分,对于防范环境风险,保障人体健康,维护生态安全,改善水、大气和土壤环境质量具有重要意义。为了聚焦于危险废物在企业厂区内部生产工艺流程的精细化监管,需要一种能够非接触、远距离、快速地预估出危废仓库中堆集的危险废物重量的方法。
发明内容
本发明的目的是针对危废仓库内堆积的一些不方便量化的危险废物,提供一种能够快速准确预估危险废物重量的方法。本发明的技术方案如下:
一种预估危险废物重量的方法,包括下列步骤:
(1)识别危险废物种类,得到危险废物的密度;
(2)获取危险废物的位置坐标数据:
根据危险废物的外观轮廓,确定扫描边界;利用激光3D采集仪对危险废物进行扫描,并且控制采集点均匀、密集分布,获取危险废物表面点的三维坐标数据;
(3)危险废物表面积计算:
根据所得到的危险废物表面点的三维坐标数据,在水平面内将危险废物表面近似成一个不规则的多边形;再以等间隔d将其划分成若干个网格,并且使得多边形的顶点都能落在网格的格点上,使其成为格点多边形,然后在格点多边形内,分别计算出格点多边形的内部格点数m和边界上的格点数n;再利用皮克定理计算出该格点多边形的面积,得到危险废物近似的表面积S。
(4)危险废物平均高度计算:
(5)危险废物体积计算:
利用危险废物的高度值和危险废物的表面积值计算得出危险废物的体积。
(6)预估危险废物重量:
通过危险废物的密度数据和危险废物的体积数据,预估危险堆积物的重量。
优选地,间隔d等于单倍或数倍的激光3D扫描仪的线间隔,使得网格分割线能与采集的危险废物的表面点三维坐标数据相互对应,多边形的顶点都能落在网格的格点上,使其成为格点多边形。
步骤(1)具体如下:
1)建立危险废物分类学习图片库:
利用工业摄像机分别获取危险废物仓库内堆积的各类危险废物的高清彩色图像,在对图像进行优化预处理后建立起危险废物分类学习图片库。
2)开发危险废物种类自动识别的深度学习模型算法:
采用以基于深度学习为主的图像识别技术,针对各类危险废物的特征建模,开发深度学习数学模型算法,实现基于图像的危险废物种类的自动识别功能。
3)现场自动识别危险废物种类,得到危险废物的密度:
采集危险废物的高清图像,实现危险废物种类的自动识别,并获取到该危险废物的密度信息。
步骤2)具体为:通过模拟深度信念网络DBN的结构构造卷积深度信念网络CDBN,即将多个卷积限制性玻尔兹曼机CRBM堆叠,在每个CRBM的顶部加入概率最大池化,即每个区域选取当中概率的最大值,区域划分没有重叠,利用DBN的贪婪逐层训练方法来训练智能分类识别的网络算法模型,将每个池化层的输出作为下一层的CRBM网络可视层的输入,训练完一层网络,保持好其权值和偏置,并将之激活作为下一层智能识别网络模型的输入,构造多层网络模型;
从危险废物分类学习图片库中选取一部分训练数据,根据数据的危险废物种类建立标签,另外选取一部分无标签的数据,建立训练数据集,对多层网络模型进行训练,在训练过程中将交替进行无监督学习和有监督学习:首先,将数据输入层与第一个隐含层组合构成第一层CRBM网络,导入无标签数据进行无监督学习,得到最初的权值和偏置,然后在此基础上导入有标签数据,通过softmax分类器进行有监督学习,得到调整后的权值和偏置;再利用第一层CRBM网络中的池化层,与下一个隐含层组合构成第二层CRBM网络,通过无监督学习得到相应的权值和偏置,然后再通过分类器进行有监督学习,并调整两层的权值和偏置,作为下一层的输入,将这个学习过程依次逐层类推,训练好整个多层网络模型。
本发明的有益效果如下:利用本发明提供的危险废物种类自动识别算法和危险废物表面积精确预估算法,可以非接触、远距离、快速地预估出危险废物的重量及重量变化,为危险废物的智能监管和精确管控提供了有力的技术支撑。
附图说明
图1是危险废物表面采集数据图;
图2是多边形近似与网格化示意图;
图3是格点多边形内部格点数和边界上格点数计算示意图;
图4是皮克定理计算格点多边形面积示意图
具体实施方式
下面针对本发明及应用场景进行说明。
(1)建立危险废物分类学习图片库:
利用工业摄像机分别获取危废仓库内堆积的各类危险废物的高清彩色图像,在对图像进行优化预处理后建立起危险废物分类学习图片库。
(2)开发危险废物种类自动识别的深度学习模型算法:
采用以基于深度学习为主的图像识别技术,针对各类危险废物的典型特征采用适当的数学算法和参数进行建模,开发深度学习数学模型,实现基于图像的危险废物种类的自动识别功能。
首先通过模拟深度信念网络(DBN)的结构构造卷积深度信念网络(CDBN)。即将多个CRBM(卷积限制性玻尔兹曼机)堆叠,在每个CRBM的顶部加入概率最大池化,即每个区域选取当中概率的最大值,区域划分没有重叠。用类似DBN的贪婪逐层训练方法来训练智能分类识别的网络算法模型,将每个池化层的输出作为下一层的CRBM网络可视层的输入,训练完一层网络,保持好其权值和偏置,并将之激活作为下一层智能识别网络模型的输入。
构造好多层网络模型后,导入事先准备好的训练数据集对网络模型进行训练,在训练过程中将交替进行无监督学习(无标签的数据)和有监督学习(有标签的数据)。首先,将数据输入层与第一个隐含层组合构成第一层CRBM网络,导入无标签数据进行无监督学习,得到最初的权值和偏置,然后在此基础上导入有标签数据,通过softmax分类器进行有监督学习,得到调整后的权值和偏置;再利用第一层 CRBM网络中的池化层,与下一个隐含层组合构成第二层CRBM网络,通过无监督学习得到相应的权值和偏置,然后再通过分类器进行有监督学习,并调整两层的权值和偏置,作为下一层的输入。将这个学习过程依次逐层类推,即可用同样的方式训练好整个智能识别网络模型。
(3)现场自动识别危险废物种类,得到危险废物的密度:
在危废仓库内部的合适位置,安装工业摄像机,采集实际危险废物的高清图像,并利用图像自动识别功能实现危险废物种类的自动识别,并获取到该危险废物的密度信息。
(4)获取危险废物的位置坐标数据:
在危废仓库内部的合适位置,安装激光3D采集仪,根据危险废物的外观轮廓,确定扫描边界;利用激光3D采集仪对危险废物进行扫描,并且控制采集点均匀、密集分布,可以快速地获取大量危险废物表面点的三维坐标数据,如图1所示。
(5)危险废物表面积计算:
①多边形的近似与网格化
设计一个危险废物表面面积计算算法,如图2所示,将得到的危险废物的观测坐标数据在水平面内近似成一个不规则的多边形(边数为n);再以等间隔d将其划分成若干个小的正方形网格,让d等于单倍或数倍的激光3D扫描仪的线间隔(毫米级精度);使得网格分割线能与采集的危险废物的表面点坐标数据能够对应起来,并且使得多边形的顶点都能落在网格的格点上,使其成为格点多边形。
②格点多边形内部格点数和边界上格点数计算
如图3所示,在格点多边形内,我们可以分别计算出格点多边形内部和边界上的格点数。
·内部格点数计算
对于格点多边形内部的每条横向线段,我们可以通过其两个端点的坐标计算出其长度L,然后用长度 L除以网格间隔d,得到的整数部分即为该条线段上的格点数,分别计算出每条横向线段上的格点数再进行累加,即可得到格点多边形内部所有的格点数,计为m。
·边界上的格点数计算
如图3所示,格点多边形边界上的格点数即为格点多边形的边长数n,计为n。
③格点多边形的面积计算
格点多边形的面积计算可以采用皮克定理,如图4所示,皮克定理是指一个计算点阵中顶点在格点上的多边形面积公式(格点间隔d=1),该定理公式可以表示为S=m+n÷2-1,其中m表示格点多边形内部的格点数,n表示多边形落在格点边界上的点数,S表示格点多边形的面积。
由此我们可以计算出格点多边形的面积S,即可以得到危险废物近似的表面积S。
(6)危险废物平均高度计算:
(7)危险废物体积计算:
利用危险废物的高度值和危险废物的表面积值可以计算得出危险废物的体积。
危险废物总体积V为
(8)预估危险废物重量:
通过危险废物的密度数据和危险废物的体积数据,可以预估计算出危险堆积物的重量。
危险废物总重量W为
W=ρvg (7)。
Claims (4)
1.一种预估危险废物重量的方法,包括下列步骤:
(1)识别危险废物种类,得到危险废物的密度。
(2)获取危险废物的位置坐标数据:
根据危险废物的外观轮廓,确定扫描边界;利用激光3D采集仪对危险废物进行扫描,并且控制采集点均匀、密集分布,获取危险废物表面点的三维坐标数据;
(3)危险废物表面积计算:
根据所得到的危险废物表面点的三维坐标数据,在水平面内将危险废物表面近似成一个不规则的多边形;再以等间隔d将其划分成若干个网格,并且使得多边形的顶点都能落在网格的格点上,使其成为格点多边形,然后在格点多边形内,分别计算出格点多边形的内部格点数m和边界上的格点数n;再利用皮克定理计算出该格点多边形的面积,得到危险废物近似的表面积S;
(4)危险废物平均高度计算:
(5)危险废物体积计算:
利用危险废物的高度值和危险废物的表面积值计算得出危险废物的体积;
(6)预估危险废物重量:
通过危险废物的密度数据和危险废物的体积数据,预估危险堆积物的重量。
2.根据权利要求1所述的预估危险废物重量的方法,其特征在于,间隔d等于单倍或数倍的激光3D扫描仪的线间隔,使得网格分割线能与采集的危险废物的表面点三维坐标数据相互对应,多边形的顶点都能落在网格的格点上,使其成为格点多边形。
3.根据权利要求1所述的预估危险废物重量的方法,其特征在于,步骤(1)具体如下:
1)建立危险废物分类学习图片库:
利用工业摄像机分别获取危险废物仓库内堆积的各类危险废物的高清彩色图像,在对图像进行优化预处理后建立起危险废物分类学习图片库。
2)开发危险废物种类自动识别的深度学习模型算法:
采用以基于深度学习为主的图像识别技术,针对各类危险废物的特征建模,开发深度学习数学模型算法,实现基于图像的危险废物种类的自动识别功能。
3)现场自动识别危险废物种类,得到危险废物的密度:
采集危险废物的高清图像,实现危险废物种类的自动识别,并获取到该危险废物的密度信息。
4.根据权利要求3所述的预估危险废物重量的方法,其特征在于,步骤2)具体为:通过模拟深度信念网络DBN的结构构造卷积深度信念网络CDBN,即将多个卷积限制性玻尔兹曼机CRBM堆叠,在每个CRBM的顶部加入概率最大池化,即每个区域选取当中概率的最大值,区域划分没有重叠,利用DBN的贪婪逐层训练方法来训练智能分类识别的网络算法模型,将每个池化层的输出作为下一层的CRBM网络可视层的输入,训练完一层网络,保持好其权值和偏置,并将之激活作为下一层智能识别网络模型的输入,构造多层网络模型;
从危险废物分类学习图片库中选取一部分训练数据,根据数据的危险废物种类建立标签,另外选取一部分无标签的数据,建立训练数据集,对多层网络模型进行训练,在训练过程中将交替进行无监督学习和有监督学习:首先,将数据输入层与第一个隐含层组合构成第一层CRBM网络,导入无标签数据进行无监督学习,得到最初的权值和偏置,然后在此基础上导入有标签数据,通过softmax分类器进行有监督学习,得到调整后的权值和偏置;再利用第一层CRBM网络中的池化层,与下一个隐含层组合构成第二层CRBM网络,通过无监督学习得到相应的权值和偏置,然后再通过分类器进行有监督学习,并调整两层的权值和偏置,作为下一层的输入,将这个学习过程依次逐层类推,训练好整个多层网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110053403.2A CN112800880B (zh) | 2021-01-15 | 2021-01-15 | 一种预估危险废物重量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110053403.2A CN112800880B (zh) | 2021-01-15 | 2021-01-15 | 一种预估危险废物重量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112800880A true CN112800880A (zh) | 2021-05-14 |
CN112800880B CN112800880B (zh) | 2022-05-20 |
Family
ID=75809533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110053403.2A Active CN112800880B (zh) | 2021-01-15 | 2021-01-15 | 一种预估危险废物重量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800880B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197666A (zh) * | 2018-01-30 | 2018-06-22 | 咪咕文化科技有限公司 | 一种图像分类模型的处理方法、装置及存储介质 |
CN110986767A (zh) * | 2019-12-10 | 2020-04-10 | 贵州省山地资源研究所 | 一种喀斯特洞穴石笋沉积监测方法 |
CN211582580U (zh) * | 2019-06-28 | 2020-09-29 | 深圳拓邦股份有限公司 | 一种烹饪系统 |
-
2021
- 2021-01-15 CN CN202110053403.2A patent/CN112800880B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197666A (zh) * | 2018-01-30 | 2018-06-22 | 咪咕文化科技有限公司 | 一种图像分类模型的处理方法、装置及存储介质 |
CN211582580U (zh) * | 2019-06-28 | 2020-09-29 | 深圳拓邦股份有限公司 | 一种烹饪系统 |
CN110986767A (zh) * | 2019-12-10 | 2020-04-10 | 贵州省山地资源研究所 | 一种喀斯特洞穴石笋沉积监测方法 |
Non-Patent Citations (1)
Title |
---|
WEIXIN_34018169: "点云/网格模型的体积计算", 《HTTPS://BLOG.CSDN.NET/WEIXIN_34018169/ARTICLE/DETAILS/85947137》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112800880B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Image-driven fuzzy-based system to construct as-is IFC BIM objects | |
CN110490415B (zh) | 一种多无人机视觉协同的建筑进度评估方法 | |
KR102423561B1 (ko) | 디지털 트윈 기반 지능형 댐 안전 관리 시스템 | |
CN112633657B (zh) | 一种施工质量管理方法、装置、设备及存储介质 | |
CN112613097A (zh) | 一种基于计算机视觉的bim快速化建模方法 | |
CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
CN115032648B (zh) | 一种基于激光雷达密集点云的三维目标识别与定位方法 | |
CN117011477B (zh) | 一种基于bim的钢结构形变监测处理方法及系统 | |
CN110060344A (zh) | 一种基于点云数据的预制构件整体尺寸逆向建模方法 | |
CN113888513A (zh) | 一种基于深度神经网络模型的钢筋检测计数方法 | |
CN116883754A (zh) | 一种面向地面LiDAR点云的建筑物信息提取方法 | |
CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
CN111612886A (zh) | 室内三维模型生成方法及系统 | |
CN108898679B (zh) | 一种零部件序号自动标注的方法 | |
CN112800880B (zh) | 一种预估危险废物重量的方法 | |
CN114419278A (zh) | 室内三维彩色网格模型生成方法及系统 | |
CN104077603B (zh) | 类地重力场环境下室外场景单目视觉空间识别方法 | |
CN114743059B (zh) | 一种综合地形地貌特征的海底地理实体自动分类方法 | |
CN116188728A (zh) | 一种建筑网格模型重构为cad指令模型的方法及装置 | |
Saba et al. | The optimazation of multi resolution segmentation of remotely sensed data using genetic alghorithm | |
CN116484585A (zh) | 缺陷样本数据集的仿真生成方法、计算机可读存储介质 | |
CN104200469A (zh) | 一种视觉智能数控系统的数据融合方法 | |
Motayyeb et al. | Enhancing contrast of images to improve geometric accuracy of a UAV photogrammetry project | |
CN115422683B (zh) | 大规模包含缺陷直齿圆柱齿轮cad模型样本库的构建方法 | |
Wei et al. | Plan View Wall Detection for Indoor Point Clouds Using Weak Supervision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |